Clustering K-means
In un colloquio di Machine Learning, potrebbero chiederti come usare l'output del clustering K-means per valutarne le prestazioni e capire se è l'algoritmo migliore.
In questo esercizio metterai in pratica il clustering K-means. Usando l'attributo .inertia_ per confrontare modelli con un numero diverso di cluster, k, userai poi queste informazioni per valutare il numero di cluster nel prossimo esercizio.
Ricorda che la variabile target nel dataset diabetes è progression.
Dove ti trovi nella pipeline:
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import module
from sklearn.cluster import KMeans
# Create feature matrix
X = diabetes.____("____", axis=1)
# Instantiate
kmeans = KMeans(n_clusters=2, random_state=123)
# Fit
fit = kmeans.____(____)
# Print inertia
print("Sum of squared distances for 2 clusters is", kmeans.inertia_)